本文提出了一种基于图的神经网络 GDNN,通过节点特征和 DDI 类型的已知信息来预测未知的 DDI 类型,其中 GDNN 使用改进后的消息传递框架,采用 MLP 处理来生成最终的预测药物相互作用类型。
Aug, 2022
提出了 EmerGNN,一种利用生物医学网络中丰富信息能够有效预测新兴药物相互作用的图神经网络。EmerGNN 通过提取药物对之间的路径、在药物之间传播信息,并结合路径上的相关生物医学概念来学习药物的成对表示。权重不同的生物医学网络边指示了目标药物相互作用预测的相关性。总体而言,EmerGNN 在预测新兴药物相互作用方面具有比现有方法更高的准确性,并能识别出生物医学网络上最相关的信息。
Nov, 2023
本文综述了基于化学结构、网络、自然语言处理、混合方法的药物预测模型以及基于图神经网络模型表示分子结构的理论框架或深度和图学习方法的优缺点、潜在技术难点和未来发展方向。
Jun, 2023
本文介绍了一种基于 SMILES 字符串的 Hypergraph 神经网络模型,用于药物 DDI 预测问题。通过从 SMILES 字符串中提取化学亚结构来创建一个超图,利用注意力机制的超图边编码器来捕捉药物相似性,并使用解码器预测药物对之间的相互作用,实验结果表明,该模型可以有效预测 DDIs,并优于基线方法,最大 ROC-AUC 和 PR-AUC 分别达到 97.9%和 98.1%。
Jun, 2022
蛋白质相互作用(PPI)在广泛的生物过程中起着关键作用。本文回顾了各种基于图的方法,并讨论了它们在 PPI 预测中的应用。我们将这些方法分为两个主要组,一类采用图神经网络(GNN)或图卷积网络(GCN),而第二类则利用图注意力网络(GAT)、图自编码器和 Graph-BERT。我们强调每种方法在处理 PPI 网络中的图结构数据方面的独特方法,并预测在此领域的未来研究方向。
Apr, 2024
本文提出了一种新的基于多数据源知识图谱嵌入的机器学习方法,用于预测药物相互作用的风险,融合了 DrugBank、PharmGKB 和 KEGG drug 三个数据库中的 12,000 个药物属性信息进行训练,并采用 ComplEx 嵌入方法、Convolutional-LSTM 神经网络和机器学习模型来实现,通过三个最佳分类器的模型平均集成方法,在 5 折交叉验证测试中得到的平均精度、F1-score 和 MCC 值分别为 0.94、0.92、0.80。
Aug, 2019
该论文介绍了一种名为 medicX 的端到端框架,它将来自公共药物库的多种药物特征集成到一个知识图谱中,并使用各种翻译、分解和神经网络方法嵌入图谱中的节点,最终使用机器学习算法来预测未知的药物相互作用。
Aug, 2023
通过知识图谱中的生物医学领域信息,使用深度学习技术和图神经网络,基于药物的图表示,预测和解释药物之间的潜在相互作用,以弥补已知药物之间相互作用稀缺性的不足,在药物交互作用预测中取得了领先的性能,促进了生物医学和医疗保健的发展。
本文提出了一种基于层次化多关系图表示学习的方法来预测药物间的相互作用,通过构建异构图和使用关系图卷积网络以及多视角可区分的谱聚类模块来捕捉药物间的显式和隐式关联,并且利用高级药物对预测药物间相互作用进行性能优越的预测。
Feb, 2024
本文提出使用图能量神经网络 (GENN) 来显式建模链接类型相关性进行药物作用预测,其中能量函数由图神经网络定义。在两个真实的药物数据集上进行实验证明 GENN 优于其他基线模型并实现了 13.77% 和 5.01% 的 PR-AUC 改进。
Oct, 2019